CN112364292B - 一种基于Ransac的密集目标跟踪方法、装置、设备和介质 - Google Patents

一种基于Ransac的密集目标跟踪方法、装置、设备和介质 Download PDF

Info

Publication number
CN112364292B
CN112364292B CN202011015795.5A CN202011015795A CN112364292B CN 112364292 B CN112364292 B CN 112364292B CN 202011015795 A CN202011015795 A CN 202011015795A CN 112364292 B CN112364292 B CN 112364292B
Authority
CN
China
Prior art keywords
calculating
matrix
predicted
measurement value
measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011015795.5A
Other languages
English (en)
Other versions
CN112364292A (zh
Inventor
张英静
权晓岚
邓隆范
刘明阳
臧振宇
吴天昊
温嘉奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN202011015795.5A priority Critical patent/CN112364292B/zh
Publication of CN112364292A publication Critical patent/CN112364292A/zh
Application granted granted Critical
Publication of CN112364292B publication Critical patent/CN112364292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明的一个实施例公开了一种基于Ransac的密集目标跟踪方法、装置、设备和介质，该方法包括：S10：获取观测数据的基本参数，计算迭代次数k；S13：计算下一时刻预测量测矩阵和预测状态协方差矩阵；S15：随机选取局内点，并根据所述预测量测矩阵计算本次迭代模型代价函数J；S17：判断迭代次数是否超过所述k，如果超过则跳至S18，否则到S13；S18：选取k次迭代中代价函数最小的模型为最优模型，根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；S19：根据所述关联关系更新状态信息。

Description

一种基于Ransac的密集目标跟踪方法、装置、设备和介质
技术领域
本发明涉及目标跟踪领域。更具体地，涉及一种基于Ransac的密集目标跟踪方法、装置、设备和介质。
背景技术
对于传统多目标跟踪问题，目前已有多种算法。最近邻算法主要用于单目标跟踪或关联门不相交多目标跟踪中，对于同一观测数据中密集目标关联，容易出现波门交叠情况，无法完成目标的精确跟踪。概率数据关联使用加权量测对目标状态进行更新，但在数目较大时，易出现组合爆炸问题。多假设目标跟踪算法关联率准确，但是算法复杂性高。匈牙利算法在个体目标密集情况下，造成不同目标的合并问题，无法完成目标的精确跟踪。
发明内容
有鉴于此，本发明第一个实施例提供一种基于Ransac的密集目标跟踪方法，包括：
S10：获取观测数据的基本参数，计算迭代次数k；
S13：计算下一时刻预测量测矩阵和预测状态协方差矩阵；
S15：随机选取局内点，并根据所述预测量测矩阵计算本次迭代模型代价函数J；
S17：判断迭代次数是否超过所述k，如果超过则跳至S18，否则到S13；
S18：选取k次迭代中代价函数最小的模型为最优模型，根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
S19：根据所述关联关系更新状态信息。
在一个具体实施例中，所述观测数据的基本参数包括：观测数据中包含的飞行目标的数量、观测数据的置信概率和局外点在观测数据中所占比例。
在一个具体实施例中，所述S10包括：
根据飞行目标的基本参数得到一定置信概率的参数关系为：
1-p＝(1-wM)k (1)
其中，M为飞行目标的数量，p为置信概率，w为局外点在观测数据中所占比例，wM为M个飞行目标的量测数据均为局内点的概率，1-wM是M个飞行目标的量测数据中至少有一个点为局外点的概率，k为所述方法的迭代次数，(1-wM)k表示所述方法永远不会选择到M个量测数据均为局内点的概率；
根据公式(1)，得到迭代次数k，
在一个具体实施例中，所述S13包括：
通过设置在飞行目标上的传感器获取飞行目标在t1时刻X、Y、Z方向对应的位置量测值Xi_t1、Yi_t1和Zi_t1和飞行目标在X、Y、Z方向对应的速度量测值Vxi_t1、Vyi_t1和Vzi_t1；
然后根据所述Xi_t1，Yi_t1，Zi_t1、Vxi_t1、Vyi_t1和Vzi_t1计算在t1时刻第i个飞行目标的量测值的状态向量
Xi_t1＝[Xi_t1 Yi_t1 Zi_t1 Vxi_t1 Vyi_t1 Vzi_t1]′,1≤i≤M (3)
其中，M为飞行目标的预测量测值个数，[]′表示矩阵转置；
计算状态转移矩阵
其中，T为当前时刻与上一时刻的时间差；
利用状态转移矩阵，计算下一时刻t2预测状态矩阵为
Xi_t2＝F*Xi_t1. (5)
根据t2时刻预测状态矩阵计算预测量测矩阵为
Zi_t2＝H*Xi_t2, (6)
其中，H为量测矩阵，
计算量测噪声矩阵
其中，DrX，DrY，DrZ为t2时刻的标准差；
计算t1时刻的状态协方差矩阵
其中，r11＝DrX，r22＝DrY，r33＝DrZ，T为当前时刻与上一时刻的时间差；
根据t1时刻的状态协方差矩阵和状态转移矩阵计算预测状态协方差矩阵
Pi_t2＝F*Pi_t1*F'+Qd (10)
其中，
Qd为过程噪声的协方差矩阵,T为当前时刻与上一时刻的时间差，过程噪声参数Q1、Q2和Q3按照实际需要设置。
在一个具体实施例中，所述S15包括：
在t2时刻，随机从k次迭代中选取一对预测量测值Zk_t2和实际量测值ZRk_t2作为初始局内点，计算局内点的模型为预测量测值和实际量测值的差值Δ，
Δ＝Zk_t2-ZRk_t2 (12)
其中，Zk_t2和ZRk_t2的k取值均1≤k≤M
在t2时刻，遍历所有预测量测值Zi_t2，计算代价函数J为
其中，若存在任意一量测值ZRi_t2，满足公式(14)
其中，δ为阈值，则预测量测损失函数为0，即Li＝0。
在一个具体实施例中，所述S18包括：
选取k次迭代中代价函数最小的模型为最优模型Δ′；
根据最优模型Δ′计算出预测量测修正Zj′_t2为
Zj′_t2＝Zj_t2-Δ′ (15)
修正后的预测量测值Zj′_t2和量测值利用匈牙利算法计算关联关系，得到关联后的预测量测值和量测值/>
在一个具体实施例中，所述S19包括：
计算关联后预测量测值和量测值的新息
计算新息协方差矩阵为
Sj_t2＝H*Pi_t2*H'+Ri_t2 (17)
利用新息协方差矩阵，计算增益矩阵
Kj_t2＝Pi_t2*H'*(Sj_t2)-1 (18)
根据所述增益矩阵计算状态向量
根据所述增益矩阵计算协方差矩阵为
本发明第二个实施例提供一种基于Ransac的密集目标跟踪装置，包括：
获取模块，用于获取观测数据的基本参数；
迭代次数计算模块，用于计算迭代次数k；
矩阵计算模块，用于计算下一时刻预测量测矩阵和预测状态协方差矩阵；
函数计算模块，用于根据所述预测量测矩阵计算本次迭代模型代价函数J；
判断模块，用于判断迭代次数是否超过所述k；
关联计算模块，用于根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
更新模块，用于根据所述关联关系更新状态信息。
本发明第三个实施例提供一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现第一个实施例中任一项所述的方法。
本发明第四个实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一个实施例中任一项所述的方法。
本发明的有益效果如下：
本文利用目标运动状态相同的特点，提出一种基于Ransac的密集目标跟踪方法、装置、设备和介质，较传统方法提高了关联的准确率，且计算方法复杂度低，利于工程应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出示出本发明的一个实施例的基于Ransac的密集目标跟踪方法系统架构示意图。
图2示出能实现本发明的一个实施例的基于Ransac的密集目标跟踪方法的流程图。
图3示出本发明的一个实施例的基于Ransac的密集目标跟踪装置的框图。
图4示出本发明的另一个实施例的计算机设备的结构示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，为能实现本发明的一个实施例的基于Ransac的密集目标跟踪方法系统架构，系统架构可以包括观测数据集合101和服务器103。其中观测数据集合101包括若干个飞行目标，可以是飞机、无人机等任何可以飞行的物体，服务器103为提供各种服务的服务器，例如为计算追踪目标量测值提供支持的后台服务器等。
需要指出的是，观测数据集合101可以存储在其他装置上也可以存储在网络上，或者也可以直接存储在服务器103中，本申请对此不作限定。
如图2所示，本发明的一个实施例提供了一种基于Ransac的密集目标跟踪方法，包括：
S10：获取观测数据的基本参数，计算迭代次数k；
获取观测数据中包含的飞行目标的数量、观测数据的置信概率和局外点在观测数据中所占比例。
根据飞行目标的基本参数得到一定置信概率的参数关系为：
1-p＝(1-wM)k (1)
其中，M为飞行目标的数量，p为置信概率，w为局外点在观测数据中所占比例，wM为M个飞行目标的量测数据均为局内点的概率，1-wM是M个飞行目标的量测数据中至少有一个点为局外点的概率，k为所述方法的迭代次数，(1-wM)k表示所述方法永远不会选择到M个量测数据均为局内点的概率；
根据公式(1)，得到迭代次数k，
S13：计算下一时刻预测量测矩阵和预测状态协方差矩阵；
通过设置在飞行目标上的传感器获取飞行目标在t1时刻X、Y、Z方向对应的位置量测值Xi_t1、Yi_t1和Zi_t1和飞行目标在X、Y、Z方向对应的速度量测值Vxi_t1、Vyi_t1和Vzi_t1；
然后根据所述Xi_t1，Yi_t1，Zi_t1、Vxi_t1、Vyi_t1和Vzi_t1计算在t1时刻第i个飞行目标的量测值的状态向量
Xi_t1＝[Xi_t1 Yi_t1 Zi_t1 Vxi_t1 Vyi_t1 Vzi_t1]′,1≤i≤M (3)
其中，M为飞行目标的预测量测值个数，[]′表示矩阵转置；
计算状态转移矩阵
其中，T为当前时刻与上一时刻的时间差；
利用状态转移矩阵，计算下一时刻t2预测状态矩阵为
Xi_t2＝F*Xi_t1. (5)
根据t2时刻预测状态矩阵计算预测量测矩阵为
Zi_t2＝H*Xi_t2, (6)
其中，H为量测矩阵，
计算量测噪声矩阵
其中，DrX，DrY，DrZ为t2时刻的标准差；
计算t1时刻的状态协方差矩阵
其中，r11＝DrX，r22＝DrY，r33＝DrZ，T为当前时刻与上一时刻的时间差；
根据t1时刻的状态协方差矩阵和状态转移矩阵计算预测状态协方差矩阵
Pi_t2＝F*Pi_t1*F'+Qd (10)
其中，
Qd为过程噪声的协方差矩阵,T为当前时刻与上一时刻的时间差，过程噪声参数Q1、Q2和Q3按照实际需要设置。
S15：随机选取局内点，并根据所述预测量测矩阵计算本次迭代模型代价函数J；
在t2时刻，随机从k次迭代中选取一对预测量测值Zk_t2和实际量测值ZRk_t2作为初始局内点，计算局内点的模型为预测量测值和实际量测值的差值Δ，
Δ＝Zk_t2-ZRk_t2 (12)
其中，Zk_t2和ZRk_t2的k取值均1≤k≤M
在t2时刻，遍历所有预测量测值Zi_t2，计算代价函数J为
若存在任意一量测值ZRi_t2，满足公式(14)
其中，δ为阈值，则预测量测损失函数为0，即Li＝0。
S17：判断迭代次数是否超过所述k，如果超过则跳至S18，否则到S13；
其中S13-S15为一次迭代，进行一次迭代次数加一，迭代完成以后判断当前迭代次数是否超过所述k,如果未超过，则再进行下一次迭代，也就是跳至S13，否则进行S18。
S18：选取k次迭代中代价函数最小的模型为最优模型，根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
选取k次迭代中代价函数最小的模型为最优模型Δ′；
根据最优模型Δ′计算出预测量测修正Zj′_t2为
Zj′_t2＝Zj_t2-Δ′ (15)
修正后的预测量测值Zj′_t2和量测值利用匈牙利算法计算关联关系，得到关联后的预测量测值和量测值/>
S19：根据所述关联关系更新状态信息。
计算关联后预测量测值和量测值的新息
计算新息协方差矩阵为
Sj_t2＝H*Pi_t2*H'+Ri_t2 (17)
利用新息协方差矩阵，计算增益矩阵
Kj_t2＝Pi_t2*H'*(Sj_t2)-1 (18)
根据所述增益矩阵计算状态向量
根据所述增益矩阵计算协方差矩阵为
如图3所示，本发明的另一个实施例提供了一种基于Ransac的密集目标跟踪装置，包括：
获取模块，用于获取观测数据的基本参数；
迭代次数计算模块，用于计算迭代次数k；
矩阵计算模块，用于计算下一时刻预测量测矩阵和预测状态协方差矩阵；
函数计算模块，用于根据所述预测量测矩阵计算本次迭代模型代价函数J；
判断模块，用于判断迭代次数是否超过所述k；
关联计算模块，用于根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
更新模块，用于根据所述关联关系更新状态信息。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现，在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
如图4所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于Ransac的密集目标跟踪方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (9)

1.一种基于Ransac的密集目标跟踪方法，其特征在于，包括：
S10：获取观测数据的基本参数，计算迭代次数k；
S13：计算下一时刻预测量测矩阵和预测状态协方差矩阵；
S15：随机选取局内点，并根据所述预测量测矩阵计算本次迭代模型代价函数J；
S17：判断迭代次数是否超过所述k，如果超过则跳至S18，否则到S13；
S18：选取k次迭代中代价函数最小的模型为最优模型，根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
S19：根据所述关联关系更新状态信息；
所述S10包括：
根据飞行目标的基本参数得到一定置信概率的参数关系为：
1-p＝(1-wM)k (1)
其中，M为飞行目标的数量，p为置信概率，w为局外点在观测数据中所占比例，wM为M个飞行目标的量测数据均为局内点的概率，1-wM是M个飞行目标的量测数据中至少有一个点为局外点的概率，k为所述方法的迭代次数，(1-wM)k表示所述方法永远不会选择到M个量测数据均为局内点的概率；
根据公式(1)，得到迭代次数k，
2.根据权利要求1所述的方法，其特征在于，所述观测数据的基本参数包括：观测数据中包含的飞行目标的数量、观测数据的置信概率和局外点在观测数据中所占比例。
3.根据权利要求1所述的方法，其特征在于，所述S13包括：
通过设置在飞行目标上的传感器获取飞行目标在t1时刻X、Y、Z方向对应的位置量测值Xi_t1、Yi_t1和Zi_t1和飞行目标在X、Y、Z方向对应的速度量测值Vxi_t1、Vyi_t1和Vzi_t1；
然后根据所述Xi_t1，Yi_t1，Zi_t1、Vxi_t1、Vyi_t1和Vzi_t1计算在t1时刻第i个飞行目标的量测值的状态向量
Si_t1＝[Xi_t1Yi_t1Zi_t1Vxi_t1Vyi_t1Vzi_t1]′,1≤i≤M(3)
其中，M为飞行目标的预测量测值个数，[]′表示矩阵转置；
计算状态转移矩阵
其中，T为当前时刻与上一时刻的时间差；
利用状态转移矩阵，计算下一时刻t2预测状态矩阵为Xi_t2＝F*si_t1 (5)
根据t2时刻预测状态矩阵计算预测量测矩阵为Zi_t2＝H*Xi_t2,(6)
其中，H为量测矩阵，
计算量测噪声矩阵
其中，DrX，DrY，DrZ为t2时刻的标准差；
计算t1时刻的状态协方差矩阵
其中，r11＝DrX，r22＝DrY，r33＝DrZ，T为当前时刻与上一时刻的时间差；
根据t1时刻的状态协方差矩阵和状态转移矩阵计算预测状态协方差矩阵
Pi_t2＝F*Pi_t1*F′+Qd (10)
其中，
Qd为过程噪声的协方差矩阵,T为当前时刻与上一时刻的时间差，过程噪声参数Q1、Q2和Q3按照实际需要设置。
4.根据权利要求3所述的方法，其特征在于，所述S15包括：
在t2时刻，随机从k次迭代中选取一对预测量测值Zk_t2和实际量测值ZRk_t2作为初始局内点，计算局内点的模型为预测量测值和实际量测值的差值Δ，
Δ＝Zk_t2-ZRk_t2 (12)
其中，Zk_t2和ZRk_t2的k取值均1≤k≤M
在t2时刻，遍历所有预测量测值Zi_t2，计算代价函数J为
其中，若存在任意一量测值ZRi_t2，满足公式(14)
其中，δ为阈值，则预测量测损失函数为0，即Li＝0。
5.根据权利要求4所述的方法，其特征在于，所述S18包括：
选取k次迭代中代价函数最小的模型为最优模型Δ′；
根据最优模型Δ′计算出预测量测修正zj′_t2为
Zj′_t2＝Zj_t2-Δ′ (15)
修正后的预测量测值zj′_t2和量测值利用匈牙利算法计算关联关系，得到关联后的预测量测值和量测值/>
6.根据权利要求5所述的方法，其特征在于，所述S19包括：
计算关联后预测量测值和量测值的新息
计算新息协方差矩阵为Sj_t2＝H*Pi_t2*H′+Ri_t2 (17)
利用新息协方差矩阵，计算增益矩阵
Kj_t2＝Pi_t2*H′*(sj_t2)-1 (18)
根据所述增益矩阵计算状态向量
根据所述增益矩阵计算协方差矩阵为
7.一种基于Ransac的密集目标跟踪装置，其特征在于，包括：
获取模块，用于获取观测数据的基本参数；
迭代次数计算模块，用于计算迭代次数k；
矩阵计算模块，用于计算下一时刻预测量测矩阵和预测状态协方差矩阵；
函数计算模块，用于根据所述预测量测矩阵计算本次迭代模型代价函数J；
判断模块，用于判断迭代次数是否超过所述k；
关联计算模块，用于根据最优模型和匈牙利算法计算预测量测值和量测值的关联关系；
更新模块，用于根据所述关联关系更新状态信息；
所述S10包括：
根据飞行目标的基本参数得到一定置信概率的参数关系为：
1-p＝(1-wM)k (1)
其中，M为飞行目标的数量，p为置信概率，w为局外点在观测数据中所占比例，wM为M个飞行目标的量测数据均为局内点的概率，1-wM是M个飞行目标的量测数据中至少有一个点为局外点的概率，k为所述方法的迭代次数，(1-wM)k表示所述方法永远不会选择到M个量测数据均为局内点的概率；
根据公式(1)，得到迭代次数k，
8.一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202011015795.5A 2020-09-24 2020-09-24 一种基于Ransac的密集目标跟踪方法、装置、设备和介质 Active CN112364292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011015795.5A CN112364292B (zh) 2020-09-24 2020-09-24 一种基于Ransac的密集目标跟踪方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011015795.5A CN112364292B (zh) 2020-09-24 2020-09-24 一种基于Ransac的密集目标跟踪方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112364292A CN112364292A (zh) 2021-02-12
CN112364292B true CN112364292B (zh) 2024-05-03

Family

ID=74507844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011015795.5A Active CN112364292B (zh) 2020-09-24 2020-09-24 一种基于Ransac的密集目标跟踪方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112364292B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794735A (zh) * 2015-04-02 2015-07-22 西安电子科技大学 基于变分贝叶斯期望最大化的扩展目标跟踪方法
CN105761276A (zh) * 2015-12-15 2016-07-13 江南大学 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪算法
CN109581353A (zh) * 2018-11-27 2019-04-05 北京信息科技大学 一种基于汽车雷达的多目标跟踪方法及系统
CN110907911A (zh) * 2019-11-29 2020-03-24 厦门金龙联合汽车工业有限公司 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法
CN111208505A (zh) * 2020-01-15 2020-05-29 中国人民解放军战略支援部队信息工程大学 基于多目标跟踪的分布式mimo雷达最少阵元快速提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9269012B2 (en) * 2013-08-22 2016-02-23 Amazon Technologies, Inc. Multi-tracker object tracking

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794735A (zh) * 2015-04-02 2015-07-22 西安电子科技大学 基于变分贝叶斯期望最大化的扩展目标跟踪方法
CN105761276A (zh) * 2015-12-15 2016-07-13 江南大学 基于迭代ransac自适应新生目标强度估计的gm-phd多目标跟踪算法
CN109581353A (zh) * 2018-11-27 2019-04-05 北京信息科技大学 一种基于汽车雷达的多目标跟踪方法及系统
CN110907911A (zh) * 2019-11-29 2020-03-24 厦门金龙联合汽车工业有限公司 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法
CN111208505A (zh) * 2020-01-15 2020-05-29 中国人民解放军战略支援部队信息工程大学 基于多目标跟踪的分布式mimo雷达最少阵元快速提取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Multiple Target Tracking using Recursive RANSAC;Peter C. Niedfeldt 等;《American Control Conference (ACC)》;20140606;3393-3398 *
RANSAC 算法在空间目标光电 跟踪中的应用研究;严灵杰 等;《光电工程》;20191115;第46卷(第11期);1-7 *
SLAM in Dynamic Environments: A Deep Learning Approach for Moving Object Tracking Using ML-RANSAC Algorithm;Masoud S. Bahraini 等;《sensors》;20190826;1-20 *
基于多层激光雷达的目标检测与跟踪算法;李帅印 等;《传感器与微系统》;20200602;第39卷(第6期);123-126 *
密集目标场景下指控系统航迹融合的挑战;张耀东 等;《第七届中国指挥控制大会论文集》;20190725;495-498 *

Also Published As

Publication number Publication date
CN112364292A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN111127513B (zh) 一种多目标跟踪方法
CN112232495B (zh) 预测模型的训练方法、装置、介质和计算设备
CN111983927B (zh) 一种最大协熵mcc准则的椭球集员滤波方法
CN112598091B (zh) 一种训练模型和小样本分类的方法及装置
CN117214857B (zh) 一种三维场景下高斯多假设多扩展目标的跟踪方法
CN114387197A (zh) 一种双目图像处理方法、装置、设备和存储介质
CN112268564B (zh) 一种无人机降落空间位置和姿态端到端估计方法
CN117928589A (zh) 车辆的路径规划方法、装置、设备及存储介质
CN112364292B (zh) 一种基于Ransac的密集目标跟踪方法、装置、设备和介质
CN113139655A (zh) 一种基于强化学习的目标追踪的训练方法、追踪方法
CN116958809A (zh) 一种特征库迁移的遥感小样本目标检测方法
CN112733807A (zh) 一种人脸比对的图卷积神经网络训练方法及装置
CN117372928A (zh) 一种视频目标检测方法、装置及相关设备
CN116797973A (zh) 应用于环卫智慧管理平台的数据挖掘方法及系统
US9733341B1 (en) System and method for covariance fidelity assessment
CN116734891A (zh) 交会成像敏感器测量数据的有效性判断方法和装置
CN112836381B (zh) 一种基于多源信息的船舶剩余寿命预测方法及系统
CN113390421B (zh) 基于卡尔曼滤波的无人机定位方法及装置
CN112697146B (zh) 一种基于稳健回归的航迹预测方法
CN114578402A (zh) 目标位置信息确定方法、装置、电子设备以及存储介质
JP3208634B2 (ja) 同一目標判定装置及び同一目標判定方法
WO2020113353A1 (zh) 一种机动目标的跟踪方法及系统
CN114972733B (zh) 一种舰船骨架点识别方法
CN116448105B (zh) 位姿更新方法、装置、电子设备和存储介质
CN113159100B (zh) 电路故障诊断方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant